ترجمه فارسی مقاله بازبینی استحکام خصمانه نیمه نظارت شده از طریق تقطیر قوی آنلاین با آگاهی از سر و صدا

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Revisiting Semi-supervised Adversarial Robustness via Noise-aware Online Robust Distillation
عنوان مقاله به فارسی بازبینی استحکام خصمانه نیمه نظارت شده از طریق تقطیر قوی آنلاین با آگاهی از سر و صدا
نویسندگان Tsung-Han Wu, Hung-Ting Su, Shang-Tse Chen, Winston H. Hsu
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Computer Vision and Pattern Recognition,یادگیری ماشین , دید رایانه و تشخیص الگوی ,
توضیحات Submitted 19 September, 2024; originally announced September 2024. , Comments: 12 pages, 4 figures, 9 tables
توضیحات به فارسی ارسال شده در 19 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 12 صفحه ، 4 شکل ، 9 جدول
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The robust self-training (RST) framework has emerged as a prominent approach for semi-supervised adversarial training. To explore the possibility of tackling more complicated tasks with even lower labeling budgets, unlike prior approaches that rely on robust pretrained models, we present SNORD - a simple yet effective framework that introduces contemporary semi-supervised learning techniques into the realm of adversarial training. By enhancing pseudo labels and managing noisy training data more effectively, SNORD showcases impressive, state-of-the-art performance across diverse datasets and labeling budgets, all without the need for pretrained models. Compared to full adversarial supervision, SNORD achieves a 90% relative robust accuracy under epsilon = 8/255 AutoAttack, requiring less than 0.1%, 2%, and 10% labels for CIFAR-10, CIFAR-100, and TinyImageNet-200, respectively. Additional experiments confirm the efficacy of each component and demonstrate the adaptability of integrating SNORD with existing adversarial pretraining strategies to further bolster robustness.

چکیده به فارسی (ترجمه ماشینی)

چارچوب قوی خودآموزی (RST) به عنوان یک رویکرد برجسته برای آموزش های مخالف نیمه تحت نظارت ظاهر شده است.برای کشف امکان مقابله با کارهای پیچیده تر با بودجه حتی برچسب زدن ، بر خلاف رویکردهای قبلی که به مدلهای پیش ساخته قوی متکی هستند ، ما Snord را ارائه می دهیم - یک چارچوب ساده و در عین حال مؤثر که تکنیک های یادگیری نیمه تحت نظارت معاصر را در قلمرو آموزش های مخالف معرفی می کند.Snord با تقویت برچسب های شبه و مدیریت داده های آموزش پر سر و صدا به طور مؤثر ، عملکرد چشمگیر و پیشرفته را در مجموعه داده های متنوع و بودجه های برچسب زدن نشان می دهد ، همه بدون نیاز به مدل های پیش ساخته.در مقایسه با نظارت کامل مخالف ، SNORD به ترتیب با حمله به Epsilon = 8/255 ، به ترتیب کمتر از 0.1 ٪ ، 2 ٪ و 10 ٪ برچسب های CIFAR-10 ، CIFAR-100 و TinyImagenet-200 به ترتیب 90 ٪ به دقت 90 ٪ دست پیدا می کند.بشرآزمایشات اضافی اثربخشی هر مؤلفه را تأیید می کند و سازگاری یکپارچه سازی SNORD را با استراتژی های پیشگویی مخالف موجود برای تقویت بیشتر استحکام نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.